Понимание нарративов рынка: междисциплинарный подход к идентификации и анализу
DOI:
https://doi.org/10.46991/SBMP/2025.8.1.017Ключевые слова:
рыночные нарративы, нарративная экономика, поведенческие финансы, настроения инвесторов, обработка естественного языка (NLP), машинное обучение, идентификация нарративов, анализ настроенийАннотация
Рыночные нарративы - коллективно разделяемые истории и экономические дискурсы - существенно влияют на поведение инвесторов, рыночные настроения и динамику ценообразования активов. Концепция нарративной экономики, предложенная Робертом Шиллером, подчёркивает важность изучения распространения и влияния этих нарративов, особенно в условиях современной цифровой эпохи, где социальные сети и цифровые СМИ быстро распространяют рыночные истории. Несмотря на признанную значимость, систематическая идентификация и анализ рыночных нарративов сопряжены со значительными методологическими сложностями. Нарративы по своей природе субъективны, динамически изменчивы и часто скрыты в больших массивах зашумлённых текстовых данных. Эта сложность затрудняет выявление возникновения нарративов, измерение их влияния на финансовые рынки и дифференциацию значимых сигналов от рыночного шума.
В данной статье рассматриваются ключевые проблемы, связанные с научной идентификацией и анализом рыночных нарративов. Изучаются междисциплинарные подходы, объединяющие знания из поведенческих финансов, обработки естественного языка (NLP) и машинного обучения, чтобы предложить надёжные подходы для выявления и оценки нарративов. Критически анализируются и оцениваются такие методы, как структурные векторные авторегрессии (SVAR) с нарративными ограничениями, редескриптивный анализ данных (redescription mining), алгоритмы построения историй (storytelling algorithms), картирование нарративов (narrative mapping), кластеризация новостей и текстовый анализ. На основе эмпирических исследований, особенно на примере корпорации Microsoft, анализируется эффективность каждого метода с указанием их преимуществ и ограничений.
Наше исследование предлагает гибридный аналитический подход, объединяющий кластеризацию новостей, картирование нарративов и передовые методы NLP для улучшения согласованности нарративов, повышения тематической ясности и эффективного анализа рыночных настроений. Развивая науку рыночного сторителлинга, данный подход предоставляет инвесторам, аналитикам и лицам, принимающим решения, ценные практические инсайты, повышая их способность предвидеть изменения на рынке, управлять финансовыми рисками и поддерживать стабильность рынка.
Библиографические ссылки
1. Antolín-Díaz, Juan, and Juan F. Rubio-Ramírez. (2018) Narrative Sign Restrictions for SVARs. American Economic Review 108 (10): 2802–29. https://www.doi.org/10.1257/ aer.20161852
2. Bhargava R., Lou X., Ozik G., Sadka R., Whitmore T. (2023) Quantifying Narratives and their Impact on Financial Markets. Journal of Portfolio Management, 49 (5) 82-95 http://dx.doi.org/10.2139/ssrn.4166640
3. Brian F. K. N., Tanushree M. (2021) Narrative Maps: An Algorithmic Approach to Represent and Extract Information Narratives Proceedings of the ACM on Human-Computer Interaction, Volume 4, Issue CSCW3 Article No.: 228, Pages 1 – 33 https://doi.org/10.1145/3432927
4. Damodaran A. (2017). Narrative and Numbers: The Value of Stories in Business. Columbia University Press. https://doi.org/10.7312/damo18048
5. Deveikyte J., Geman H., Piccari C., Provetti A. (2022) A sentiment analysis approach to the prediction of market volatility. Front. Artif. Intell. 5:836809. https://doi.org/10.3389/frai.2022.836809
6. Fisher W. R. (1984) The Narrative Paradigm: in the Beginning, Journal of Communication, Volume 34, Issue 1, Pages 74–87, https://doi.org/10.1111/j.1460-2466.1984.tb02986.x
7. Goetzmann W. N., Kim D., Shiller R. J., (2022) Crash Narratives. NBER Working Paper No. w 30195, OFR 23-10, https://ssrn.com/abstract=4153089
8. Hayrapetyan D., Melkumyan H (2024). Noisy Trader Behavior in Adaptive Markets: Decision-Making Biases and Modeling Approaches. «Bulletin of Yerevan University G: Economics» Vol. 16, N2 (24), 2024թ., էջ. 57-66 https://doi.org/10.46991/BYSU.G/ 2024.15.2.057
9. James, N., & Menzies, M. (2023). An exploration of the mathematical structure and behavioural biases of 21st century financial crises. Physica A: Statistical Mechanics and its Applications, 630, 129256. https://doi.org/10.1016/j.physa.2023.129256
10. Mangee N. (2021) How Novelty and Narratives Drive the Stock Market: Black Swans, Animal Spirits and Scapegoats. Cambridge: Cambridge University Press.
11. Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction to Information Retrieval. Cambridge University Press.
12. Parida, L., & Ramakrishnan, N. (2005). Redescription mining: Structure theory and algorithms. In Proceedings of the 20th National Conference on Artificial Intelligence (pp. 837–843). AAAI Press.
13. Roos M., Reccius M. (2023) Narratives in economics. Journal of Economic Surveys,1–39. https://doi.org/10.1111/joes.12576
14. Shiller R. J. (2019) Narrative Economics: How Stories Go Viral and Drive Major Economic Events. Princeton University Press. https://doi.org/10.2307/j.ctvdf0jm5
15. Taffler R. J., Agarwal V., Obring M. (2024) Narrative Emotions and Market Crises, Journal of Behavioral Finance, https://doi.org/10.1080/15427560.2024.2365723
16. Tetlock P. C. (2007) Giving Content to Investor Sentiment: The Role of Media in the Stock Market. Journal of Finance, Forthcoming. http://dx.doi.org/10.2139/ssrn.685145
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2025 Davit Hayrapetyan

Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.

